論文の概要: Sufficient dimension reduction for classification using principal optimal transport direction

• arxiv url: http://arxiv.org/abs/2010.09921v4
• Date: Tue, 2 Feb 2021 04:10:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 21:32:36.589005
• Title: Sufficient dimension reduction for classification using principal optimal transport direction
• Title（参考訳）: 主最適輸送方向を用いた分類のための十分次元削減
• Authors: Cheng Meng and Jun Yu and Jingyi Zhang and Ping Ma and Wenxuan Zhong
• Abstract要約: 最適な輸送量を用いた十分次元縮小部分空間(SDR部分空間)の新たな推定法を提案する。 提案手法は主最適輸送方向 (POTD) と命名され, 最適輸送結合の主方向を用いてSDR部分空間の基底を推定する。 実証的な研究により、POTDは最先端の線形次元還元法よりも優れていた。
• 参考スコア（独自算出の注目度）: 22.682964495810012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sufficient dimension reduction is used pervasively as a supervised dimension reduction approach. Most existing sufficient dimension reduction methods are developed for data with a continuous response and may have an unsatisfactory performance for the categorical response, especially for the binary-response. To address this issue, we propose a novel estimation method of sufficient dimension reduction subspace (SDR subspace) using optimal transport. The proposed method, named principal optimal transport direction (POTD), estimates the basis of the SDR subspace using the principal directions of the optimal transport coupling between the data respecting different response categories. The proposed method also reveals the relationship among three seemingly irrelevant topics, i.e., sufficient dimension reduction, support vector machine, and optimal transport. We study the asymptotic properties of POTD and show that in the cases when the class labels contain no error, POTD estimates the SDR subspace exclusively. Empirical studies show POTD outperforms most of the state-of-the-art linear dimension reduction methods.
• Abstract（参考訳）: 十分な次元還元は教師付き次元還元アプローチとして広く用いられる。 既存の十分な次元縮小法は、連続応答を持つデータのために開発され、カテゴリー応答、特にバイナリ応答に対して不十分な性能を持つ可能性がある。 この問題に対処するために,最適輸送を用いた十分次元縮小部分空間(SDR部分空間)の新たな推定法を提案する。 提案手法は主最適輸送方向 (POTD) と命名され, 応答カテゴリの異なるデータ間の最適輸送結合の主方向を用いてSDR部分空間の基底を推定する。 提案手法は, 十分次元縮小, 支持ベクトルマシン, 最適輸送という, 一見無関係な3つのトピック間の関係も明らかにする。 我々はPOTDの漸近特性を調査し、クラスラベルにエラーがない場合、POTDはSDR部分空間のみを推定する。 実証的な研究により、POTDは最先端の線形次元還元法よりも優れていた。

関連論文リスト

• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• Expected Sliced Transport Plans [9.33181953215826]
  本研究では, 1次元の最適輸送計画を, もともとの空間に戻す「揚力」操作を提案する。 本研究では、EST計画を用いて、ある点から別の点へ移動する際のユークリッドの個々のコストの和を重み付けし、入力された離散確率測度間の有効距離を求めることを証明する。
  論文  参考訳（メタデータ） (2024-10-16T02:44:36Z)
• Enhancing Sufficient Dimension Reduction via Hellinger Correlation [4.394151227332108]
  単一インデックスモデルにおける十分次元還元(SDR)の新しい理論と手法を開発する。 私たちの研究は、依存関係の尺度としてのHellinger相関の導入によって動機付けられています。 本研究では,提案手法が既存のSDR法を大幅に向上し,性能を向上することを示す。
  論文  参考訳（メタデータ） (2024-05-30T05:29:12Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• A DeepLearning Framework for Dynamic Estimation of Origin-Destination Sequence [63.70447384033326]
  本稿では,ODシーケンスの構造を推論する深層学習手法と,従来の数値最適化を導く構造制約を用いた統合手法を提案する。 実験の結果,ニューラルネットワークはODシーケンスの構造を効果的に推論し,数値最適化のための実用的な制約を提供することで,より良い結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T04:58:45Z)
• Functional sufficient dimension reduction through information maximization with application to classification [7.577667173094585]
  2つの新しい機能的十分次元還元法 (FSDR) が, 相互情報と正方損失の相互情報に基づいて提案されている。 この2つの手法は,シミュレーションと実データ解析による既存のFSDR法と競合することを示した。
  論文  参考訳（メタデータ） (2023-05-18T11:18:48Z)
• A Dimensionality Reduction Method for Finding Least Favorable Priors with a Focus on Bregman Divergence [108.28566246421742]
  そこで本研究では,次元に明示的な有界な有限次元設定に最適化を移動させることができる次元削減法を開発した。 この問題を進展させるため、比較的大きな損失関数、すなわちブレグマンの発散によって引き起こされるベイズ的リスクに限定する。
  論文  参考訳（メタデータ） (2022-02-23T16:22:28Z)
• Supervised Linear Dimension-Reduction Methods: Review, Extensions, and Comparisons [6.71092092685492]
  主成分分析(PCA)は、データ解析やモデリングに広く用いられている、よく知られた線形次元還元法である。 本稿では,選択した手法をレビューし,その一部を拡張し,シミュレーションによる性能比較を行う。 これらの2つの手法のうち、部分最小二乗法(PLS)と最小二乗法(LSPCA)は、この研究で他よりも一貫して優れている。
  論文  参考訳（メタデータ） (2021-09-09T17:57:25Z)
• On Projection Robust Optimal Transport: Sample Complexity and Model Misspecification [101.0377583883137]
  射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。 私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。 次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:35:33Z)
• Ellipsoidal Subspace Support Vector Data Description [98.67884574313292]
  一クラス分類に最適化された低次元空間にデータを変換する新しい手法を提案する。 提案手法の線形および非線形の定式化について述べる。 提案手法は,最近提案されたサブスペースサポートベクトルデータ記述よりもはるかに高速に収束する。
  論文  参考訳（メタデータ） (2020-03-20T21:31:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。